使用说明

1. 小样本 Cox 回归

本工具专为小样本量（n < 200）的生存数据设计，采用交叉验证评估 Cox 模型泛化能力。

2. 数据格式

时间变量 (Time) 为连续数值，状态变量 (Status) 必须为 0（删失）或 1（事件发生）。自变量可以是连续或分类变量。

3. 评价时间点 (t)

选择一个具体的时间点（如 12 个月、36 个月），模型将预测该时间点的生存概率 S(t)。默认取 Time 中位数。

4. EPV (Events Per Variable)

EPV = 事件数 / 自变量数。EPV >= 10 时模型较稳定，EPV < 10 时需谨慎解读结果。

5. 交叉验证方法

• K 折交叉验证： 将数据分为 K 份，轮流用 K-1 份训练、1 份验证。推荐 n >= 100 时使用 5/10 折。
• 留一法 (LOOCV)： 每次留 1 个样本做验证，其余全部训练。适合 n < 100 的小样本。

6. 评估指标

• C-index： 主指标，衡量判别能力（Harrell's Concordance Index）。报告均值 + 95% CI。
• AUC (t)： 时间点 t 处的 time-dependent AUC，基于 landmarking 分析。
• Brier Score： 预测生存概率与实际 landmark outcome 的均方误差。
• HR (95% CI)： 风险比及其置信区间，来自最终 Cox 模型。

⚠️ 注意：C-index 与 time-dependent AUC 是时间点相关的指标，不同 t 值结果不同。请确保选择与临床关注一致的时间点。

7. 校准图（Calibration Curve）

校准图用于检验模型预测的生存概率 S(t) 与实际观测结果的一致性。采用 Kaplan-Meier 法在预测概率五分位分组内估计实际生存率（Observed），并与该组平均预测概率（Predicted）对比。误差棒基于 Kaplan-Meier 的 95% 置信区间（Greenwood 公式）。

8. 参考文献

• Harrell FE Jr, Lee KL, Mark DB. Multivariable prognostic models: issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors. Statistics in Medicine , 1996;15(4):361-387. — 校准曲线评估的奠基文献，提出 Cox 模型校准的分组 KM 估计方法。
• Steyerberg EW. Clinical Prediction Models: A Practical Approach to Development, Validation, and Updating. Springer, 2009. — 第 15 章详细讨论预测模型校准曲线（Calibration plots）的绘制与解读。
• Heagerty PJ, Lumley T, Pepe MS. Time-dependent ROC curves for censored survival data and a diagnostic marker. Biometrics , 2000;56(2):337-344. — timeROC 方法的理论基础，用于计算 time-dependent AUC。